論文の概要: IoT Network Behavioral Fingerprint Inference with Limited Network Trace
for Cyber Investigation: A Meta Learning Approach
- arxiv url: http://arxiv.org/abs/2001.04705v2
- Date: Sat, 8 Feb 2020 02:57:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 13:27:19.465345
- Title: IoT Network Behavioral Fingerprint Inference with Limited Network Trace
for Cyber Investigation: A Meta Learning Approach
- Title（参考訳）: サイバー調査のための限定ネットワークトレースを用いたIoTネットワーク行動指紋推論:メタラーニングアプローチ
- Authors: Jonathan Pan
- Abstract要約: 本研究は、特定のIoTのネットワーク行動指紋を推測する新しいモデル構造を提案する。
当社のソリューションは、IoTのネットワークトレースに制限があるという制約を克服しつつ、サイバー調査者が特定のIoTを特定できるようにするものです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development and adoption of Internet of Things (IoT) devices will grow
significantly in the coming years to enable Industry 4.0. Many forms of IoT
devices will be developed and used across industry verticals. However, the
euphoria of this technology adoption is shadowed by the solemn presence of
cyber threats that will follow its growth trajectory. Cyber threats would
either embed their malicious code or attack vulnerabilities in IoT that could
induce significant consequences in cyber and physical realms. In order to
manage such destructive effects, incident responders and cyber investigators
require the capabilities to find these rogue IoT and contain them quickly. Such
online devices may only leave network activity traces. A collection of relevant
traces could be used to infer the IoT's network behaviorial fingerprints and in
turn could facilitate investigative find of these IoT. However, the challenge
is how to infer these fingerprints when there is limited network activity
traces. This research proposes the novel model construct that learns to infer
the network behaviorial fingerprint of specific IoT based on limited network
activity traces using a One-Card Time Series Meta-Learner called DeepNetPrint.
Our research also demonstrates the application of DeepNetPrint to identify IoT
devices that performs comparatively well against leading supervised learning
models. Our solution would enable cyber investigator to identify specific IoT
of interest while overcoming the constraints of having only limited network
traces of the IoT.
- Abstract（参考訳）: IoT(Internet of Things)デバイスの開発と採用は今後数年で大幅に増加し、Industrial 4.0が実現する。
多くのIoTデバイスが、業界全体で開発され、使用される予定だ。
しかし、この技術導入の遠因は、その成長の軌跡をたどるサイバー脅威の厳密な存在に影を落としている。
サイバー脅威は、悪意のあるコードをIoTに埋め込んだり、サイバーや物理的な領域で重大な結果をもたらす可能性のある脆弱性を攻撃したりする。
このような破壊的な影響を管理するために、インシデント対応者とサイバー調査員は、これらの不正なIoTを見つけて、それらを素早く封じ込めなければならない。
このようなオンラインデバイスは、ネットワークアクティビティのトレースを残すだけである。
関連するトレースのコレクションを使用して、IoTのネットワーク行動指紋を推測することで、これらのIoTの探索的発見を促進することができる。
しかし、ネットワークのアクティビティトレースが限られている場合に、これらの指紋を推測する方法が課題である。
本研究では,DeepNetPrintと呼ばれるOne-Card Time Series Meta-Learnerを用いて,限られたネットワークアクティビティトレースに基づいて,特定のIoTのネットワーク行動指紋を推定する手法を提案する。
また,DeepNetPrintを用いて,指導型学習モデルに対して比較的良好に動作するIoTデバイスを同定する。
当社のソリューションは、IoTのネットワークトレースに制限があるという制約を克服しつつ、サイバー調査者が特定のIoTを特定できるようにするものです。
関連論文リスト
- IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。
機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。
IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
論文 参考訳（メタデータ） (2024-07-13T08:20:37Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
本稿ではIoTマルウェアの分類について述べる。
攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。
現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
論文 参考訳（メタデータ） (2023-12-01T16:10:43Z) - IoTScent: Enhancing Forensic Capabilities in Internet of Things Gateways [45.44831696628473]
本稿では,IoTゲートウェイとホームオートメーションプラットフォームがIoTトラフィックのキャプチャと分析を行うことを可能にする,オープンソースの法医学ツールであるIoTScentを紹介する。
IoTScentは特に、Zigbeeや6LoWPAN、Threadといった多くのIoT固有のプロトコルの基礎であるIEEE5.4ベースのトラフィックを操作するように設計されている。
この作業は、Zigbeeトラフィックからデバイス識別を実行するためのツールの使用を実証する実用的なユースケースを含む、IoTScentツールの包括的な説明を提供する。
論文 参考訳（メタデータ） (2023-10-05T09:10:05Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳（メタデータ） (2023-09-23T00:05:39Z) - Towards Artificial General Intelligence (AGI) in the Internet of Things
(IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。
本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。
AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文 参考訳（メタデータ） (2023-09-14T05:43:36Z) - Navigating the IoT landscape: Unraveling forensics, security issues, applications, research challenges, and future [6.422895251217666]
本稿では、異なる分野におけるIoTに関する法医学的およびセキュリティ上の問題についてレビューする。
ほとんどのIoTデバイスは、標準的なセキュリティ対策が欠如しているため、攻撃に対して脆弱である。
消費者のセキュリティを意識したニーズを満たすために、IoTはスマートホームシステムの開発に使用できる。
論文 参考訳（メタデータ） (2023-09-06T04:41:48Z) - An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT
Devices [0.7219077740523682]
この研究は、フェデレートラーニングとマルチ層パーセプトロンニューラルネットワークを活用して、IoTデバイスに対するサイバー攻撃を高精度に検出し、データプライバシ保護を強化するホストベースの侵入検知システムを提案する。
論文 参考訳（メタデータ） (2023-06-23T11:26:00Z) - Unsupervised Ensemble Based Deep Learning Approach for Attack Detection
in IoT Network [0.0]
モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。
IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。
本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
論文 参考訳（メタデータ） (2022-07-16T11:12:32Z) - Lightweight IoT Malware Detection Solution Using CNN Classification [2.288885651912488]
IoTデバイスのセキュリティ面は幼児の分野です。
ネットワーク上の特定のIoTノードの悪意ある振る舞いを認識するシステムを開発した。
畳み込みニューラルネットワークと監視により、ネットワーク内にインストール可能な中央ノードを使用して、IoTのマルウェア検出が可能になった。
論文 参考訳（メタデータ） (2020-10-13T10:56:33Z) - IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。
我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。
99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
論文 参考訳（メタデータ） (2020-01-28T23:13:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。